原标题：天池大赛：不确定竞价 —— 动态学习（4）
转眼间，阿里妈妈的竞赛大概还如火如荼吧，我自己提交的时间是 912，结果 915 才把 Docker 提交成功！关于算法，虽然硬扯了半天，还是决定自己跑几个看得懂的，我甚至不认为我理解得正确。
为了进一步学习这个很“昂贵”，但是学术界很喜欢的算法，我们再看点其他文章吧！
2024 年 10 月 20 日，这是今天的论文解读。
01 Lux AI Season 3: Multi-Agent Meta Learning at Scale
这是一个赛季系列，由 UCSD 几位 Ph.D 和 Kaggle 合作的。文章介绍的是游戏模式。
（1）Core Engine
2D Grid：游戏是战棋式的，每个 CELL 定义为 s[i][j]。
Agent State and Actions: 针对每个智能体而言，自己的状态 s_a[i]。所有的智能体可以同时作出同一个动作 a[i]。
Local Dynamics Function：棋盘 k×k 信息，用 rho[l] 表示 战棋信息。
Agent Dynamics Function：围绕智能体的棋盘信息 k×k 信息，用 rho[a] 表示战棋信息。
Semantic Mapping Layer：原则是自动可视化，映射方式是 rho[l] + rho[a]。
（2）Season 3 Game Variation
Game Map：2D Grid，64×64。三种状态：（1）空地；（2）行星带；（3）星球。
如果是行星带，可以形成组，组内行星带个数最大 16 个，最小 1 个。
星球会生产飞船，至少距离行星带 10 个单位以上。
Game Initialization：两队 1V1，每个队伍飞船 4-6 个，初始资源，200 燃料 0 矿石。最终，看谁矿石多。
Game Objective：每一个回合都会修改 Cargo Holds，记录矿石和燃料 疏忽了。获得这些资源，走两百步至行星带即可。
Observations：飞船移动范围 7×7，所谓的“额外探索”。
Units：飞船。占据 1 格，飞船搭载上线，1000 燃料 1000 矿石。
Unit Actions：每个时间回合可以操作的动作。
Move（移动），花费 10 燃料。
Fire Mining Laser（镭射火枪）：走 k 格，任何方向，消耗 10 + 10k 燃料，k 取值 1-5。
Transfer Resource（转移资源）：如果前一艘飞船留下资源，下一艘飞船在同一个战棋，获得资源。
行星带：1 格战棋，初始值 100，如果值减到 0，行星带终结，由空地替代。矿石范围 100 - 500。
星球：1 格战棋，生产飞船，也生产燃料。生产量 10 - 20，乘以系数 Gamma。飞船可以丢弃燃料和矿石在星球上，或者自动丢失，如果星球文明过高的话。
The Mechanics
Destroyed Unit Behavior 毁坏飞船：被毁坏的飞船，以概率 a% 掉资源。重生，20 个时间回合，200 燃料。a ∈ {0，0.25，0.50，0.75，1}。
Unit Spawning Behavior 生产飞船：两种方式。一是 20 个时间回合，同一星球再次毁坏，再等 20 个时间回合。二是如果“破坏生产过程的飞船”被破坏，则非常生产成功。
Unit to Unit Collisions 飞船相撞：均被毁坏，战棋可用。
Unit to Asteroid Collisions 飞船行星带相撞：与行星带相撞，两者均被毁坏。行星带变成空地。
Laser hits Asteroid Chunk：被袭击的话，行星带耦合度降低 beta（∈[0,1]）。如果降低到 0，则毁坏，用空地替代。
Laser hits unit of the same team 镭射打到自己队伍：飞船毁坏。
Laser hits unit of the opposition team 镭射打到对方队伍：飞船毁坏。
Passive Fuel Gathering from Planet Tiles 被动搜集燃料：文明最高星球掉燃料，比例 γ （∈{0.5, 1, 1.5, 2}）。
Applications / Post Competition Analysis
Quantifying Aspects of Surprise/Emergence 量化建树：基于策略的空间，具体信息来自这些回合的数据，对抗的双方是人工规则智能体，和 RL 智能体。
Strong Baselines and Testbed for Meta-Learning Generalization in Multi-Agent Games 强基准和测试动态学习的总方法：培养一种习惯，形成模板，使得 LLMs 提升无限游戏的表现。
更多信息，点击《
Lux AI Season 3: Multi-Agent Meta Learning at Scale》阅读原文。
或者给主办方写信：stao@ucsd.com, support@lux-ai.org
8143
沪公安联网 31011502019103